对HAPE诊断的Grad-CAM可解释深度学习模型的评估:从胸部X射线图中重度分层的性能和陷
Ya Yang1, Hongmei Yu1, Qijie Xiang2
1Department of Radiology, Chinese People's Liberation Army The General Hospital of Western Theater Command, No. 270, Tianhui Road, Rongdu Avenue, Jinniu District, Chengdu, Sichuan Province, 610083, China.
BMC medical informatics and decision making
|October 31, 2025
概括
深度学习模型在胸部X射线上识别严重的高海拔肺 (HAPE) 方面表现有前途,准确地细分肺部. 然而,他们很难可靠地检测中级HAPE严重程度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部医学 肺部医学
背景情况:
- 高海拔肺 (HAPE) 是一种危及生命的疾病,需要及时诊断.
- 对胸部X射线HAPE严重程度的准确评估对于有效治疗至关重要.
研究的目的:
- 通过转移学习来评估深度学习模型对HAPE检测和严重程度分级的可行性.
- 为了评估模型在胸部X射线图像上的表现.
主要方法:
- 一项回顾性研究,利用多个来源的数据集进行模型预训练和微调.
- 实施一个多阶段的管道,包括肺部细分和水分类.
- 使用DeepLabV3_ResNet-50进行细分,使用MobileNet_V2/VGG19进行分类.
主要成果:
- 肺部细分模型实现了高达99.03%的子系数.
- 检测水的VGG19二元分类模型显示出强的性能 (AUC 0.950).
- 多类模型在严重的HAPE方面表现良好,但在中等等级方面遇到了困难.
结论:
- 转移学习可以通过胸部X射线进行准确的肺部细分和严重的HAPE检测.
- 该模型在中级HAPE等级上的困难凸显了领域转移和细粒度分析的挑战.
- 这项研究强调了深度学习在使用各种数据集进行罕见疾病诊断方面的潜力和局限性.
